CN113721086A - 用于监视mv或hv电气***的装备件的电气绝缘状况的方法 - Google Patents
用于监视mv或hv电气***的装备件的电气绝缘状况的方法 Download PDFInfo
- Publication number
- CN113721086A CN113721086A CN202110358767.1A CN202110358767A CN113721086A CN 113721086 A CN113721086 A CN 113721086A CN 202110358767 A CN202110358767 A CN 202110358767A CN 113721086 A CN113721086 A CN 113721086A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- data
- calculating
- equipment
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012544 monitoring process Methods 0.000 title claims abstract description 44
- 238000010292 electrical insulation Methods 0.000 title claims abstract description 24
- 230000036961 partial effect Effects 0.000 claims abstract description 102
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 230000002596 correlated effect Effects 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 230000036962 time dependent Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 10
- 230000006399 behavior Effects 0.000 description 5
- 239000012777 electrically insulating material Substances 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000005684 electric field Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 239000012772 electrical insulation material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1272—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本公开涉及一种用于监视MV或HV电气***的装备件的电气绝缘状况的方法。一种用于监视中压或高压电气***的装备件的电气绝缘状况的方法，该方法包括以下步骤：‑获取指示所述装备件的行为的检测数据，所述检测数据包括与时间上在后续观察时刻观察到的局部放电事件相关的测得的放电值的时间序列；‑基于所述检测数据，计算指示所述装备件的电气绝缘状况的随机数据，所述随机数据包括与观察到的局部放电事件相关并根据与所述局部放电事件相关的一个或多个特征参数计算的概率值；‑基于所述随机数据，计算指示与所述局部放电事件相关的所述一个或多个特征参数的估计数据。
Description
技术领域
本发明涉及中压或高压电气***的领域。
更具体而言，本发明涉及一种监视用于中压(MV)或高压(HV)电气***的装备件的电气绝缘状况的方法。
背景技术
如已知的，电气***的装备件(例如，开关装置)的电气绝缘材料可能具有缺陷(例如，空区、表面污染、锋利边缘)，从而在所述装备件经受操作电压时导致电场的不均匀分布。
在MV或HV电气***中，电场可以局部变强，以至于在材料或其周围的大气中发生不桥接至地的放电(通常称为“局部放电”)。
这些现象的发生通常被认为是电气绝缘材料中的故障(例如，击穿)正在发展的指示。
为此，近年来开发了几种基于局部放电分析的监视装备件的电气绝缘情况的方法。
现有技术中可用的一类广泛使用的解决方案包括基于所谓的PRPD(相位解析的局部放电)分析的监视方法。
基本上，PRPD分析提供了以获得二维密度图(也称为“q-φ散点图”)的方式来处理指示局部放电事件发生的检测数据。根据这个图形表示，局部放电事件以包括散点(q(i),φ(i))的集合的图形图案的形式示出，其中q(i)是与第i个局部放电事件相关的测得的放电值(通常是测得的强度值)，并且φ(i)是在所述局部放电事件的观察时刻(i)施加到装备件的电压的相位。通过分析这些图形图案，专家可以获得关于局部放电事件的性质的信息并了解故障是否存在或正在发展。
现有技术的另一类流行的解决方案包括基于所谓的PSA(脉冲序列分析)的监视方法。
在这种情况下，以计算与局部放电事件的序列(特别是后续局部放电事件对)的时间分布和/或强度分布相关的相关性信息的方式来处理指示局部放电事件发生的检测数据。这样的相关性信息的典型示例是用于后续观察时刻t(i)、t(i-1)的连续测得的放电值q(i)、q(i-1)之间的相关性或所述观察时刻之间的时间延迟或其组合(不再考虑施加到装备件的电压的相位)。专家可以分析或可视化这些相关性数据，以获得关于局部放电事件的性质和可能故障的发展的信息。
当前可用的基于局部放电分析的监视方法的主要挑战在于，常常不能以自动化方式执行数据收集和解释，因此要求耗时且劳动力密集的数据处理。
此外，常常要求专家人员或高度专业化的专业人员的干预，从工业观点，这会是非常昂贵的。
上面提到的问题使得传统的监视方法相当不适于持续监视装备件的电气绝缘情况。实际上，它们通常在现场或在测试实验室中仅定期执行。这不允许完全利用通过最新的持续检测***而变得可用的数据的量和/或持续地检查装备件的潜在缺陷的时间演变。
在现有技术中，因此，感觉非常需要能够克服上述技术问题并允许通过使用局部放电分析以自动化方式执行对装备件的电气绝缘状况的可靠监视活动的解决方案。
发明内容
为了响应该需求，根据以下权利要求1和相关从属权利要求，本发明提供了一种用于监视用于中压或高压电气***的装备件的电气绝缘状况的方法。
一般而言，根据本发明的方法包括以下步骤：
-获取指示所述装备件的行为的检测数据，所述检测数据包括与时间上在后续观察时刻观察到的局部放电事件相关的测得的放电值的时间序列；
-基于所述检测数据，计算指示所述装备件的电气绝缘状况的随机数据，所述随机数据包括与观察到的局部放电事件相关并根据与所述局部放电事件相关的一个或多个特征参数计算的概率值；
-基于所述随机数据，计算指示与所述局部放电事件相关的所述一个或多个特征参数的估计数据。
根据本发明的一方面，本发明的方法包括处理所述估计数据以提供指示所述装备件的电气绝缘状况的监视数据的步骤。
优选地，所述检测数据包括与施加到所述装备件的操作电压的幅度、相位或时间相关值相关的电压检测值。
优选地，计算所述随机数据的步骤包括：对于各自具有第一测得的放电值和第二测得的放电值并且在连续的第一观察时刻和第二观察时刻观察到的一个或多个局部放电事件对，在给出在所述第一观察时刻已经发生具有所述第一测得的放电值的局部放电事件的事实的情况下，计算条件概率值，该条件概率值指示在所述第二观察时刻有具有所述第二测得的放电值的局部放电事件的概率。
方便地，根据与所述局部放电事件相关的所述一个或多个特征参数计算所述条件概率值。
优选地，计算所述条件概率值包括计算指示在所述第二观察时刻具有局部放电事件的概率的第一概率值，而与所述局部放电事件的测得的放电值无关。
优选地，计算所述条件概率值包括计算指示有具有在所述第二局部放电事件测得的第二放电值的局部放电事件的概率的第二概率值。
优选地，计算所述随机数据的步骤包括：对于各自在连续的第一观察时刻和第二观察时刻观察到的一个或多个局部放电事件对，基于针对每个局部放电事件对计算出的条件概率值来计算组合条件概率值，所述组合条件概率值是根据所述一个或多个特征参数计算的。
优选地，计算所述估计数据的步骤包括：对于各自在连续的第一观察时刻和第二观察时刻观察到的一个或多个局部放电事件对，基于针对所述一个或多个局部放电事件对计算出的所述组合条件来计算所述一个或多个特征参数的一个或多个估计值。
根据本发明的一些实施例，计算所述监视数据的步骤包括处理包括在所述估计数据中并与所述一个或多个特征参数相关的一个或多个估计值，以检查所述一个或多个特征参数在时间上的演化。
根据本发明的一些实施例，计算所述监视数据的步骤包括处理包括在所述估计数据中并与所述一个或多个特征参数相关的一个或多个估计值，以执行所述一个或多个特征参数的分类。
根据本发明的一些实施例，计算所述监视数据的步骤包括处理包括在所述估计数据中并与所述一个或多个特征参数相关的一个或多个估计值，以模拟所述装备件当在不同条件下经受局部放电事件时的行为。
附图说明
根据仅通过非限制性示例在附图中示出的优选实施例的详细描述，根据本发明的监视方法的进一步的特征和优点将变得更加清楚，在附图中，唯一的图1是框图，其示意性地示出根据本发明的方法的步骤。
具体实施方式
参考所引用的附图，本发明涉及一种监视用于中压或高压电气***的装备件(未示出)的电气绝缘状况的方法1。
出于本发明的目的，术语“中压”(MV)涉及高于0.6kV AC和1.5kV DC高达几十kV(例如，高达69kV AC和100kV DC)的操作电压，而术语“高压”(HV)涉及更高的操作电压。
出于本发明的目的，术语“装备”涉及旨在用于MV或HV电气***中的任何装置，例如，开关装置、开关设备、开关板、电力或配电变压器、电机、开关变换器、电网部分等。
出于本发明的目的，术语“装备件”涉及旨在用于MV或HV电气***中的装置中的任何部件，只要该部件包括在操作中经受电场的电气绝缘材料。
根据本发明，监视方法1包括获取检测数据M的步骤11，该检测数据M指示当装备件经受操作电压时该装备件的行为。
优选地，检测数据M包括与在后续观察时刻t(i)观察到的局部放电事件相关的测得的放电值q(i)(图1)。
所述测得的放电值可以包括观察到的局部放电事件的测得的强度值(例如，峰强度值)或描述观察到的局部放电事件的其它测得的值(例如，脉冲形状和/或脉冲宽度等)或其组合。
优选地，检测数据M还包括与施加到装备件的操作电压的幅度U0、相位φ(t)或时间相关值U(t)相关的电压检测值。
方便地，所述电压检测值包括在所述观察时刻测得的电压值U(i)和相位值φ(i)，并且优选地还包括在放电时刻之间的时间间隔的电压U(t)或相位φ(t)值。
可以通过采用各种测量传感器(例如电容式传感器、电感式传感器、UHF传感器、声学传感器等)来收集检测数据M。
一般而言，可以根据已知类型的测量和/或获取技术或解决方案来执行本发明的方法的步骤11。因此，为简洁起见，在下文中将不再进一步详细描述。
优选地，在用于本发明的方法的后续步骤之前，检测数据M被处理以减少或补偿噪声或其它干扰的影响。为了这个目的，可以使用已知类型的合适的后处理或滤波技术。
根据本发明，监视方法1包括基于检测数据M根据与在后续观察时刻观察到的局部放电事件相关的一个或多个特征参数θ来计算随机数据P的步骤12，该随机数据P指示该装备件的电气绝缘状况。
本发明的方法的步骤12的原理可以在以下情形中找到：根据检测数据M，在后续观察时刻观察到的局部放电事件的序列可以被看作是随机点过程，其中该过程的每个点由值(q(i),t(i))的集合(例如，对)表示，其中q(i)是(包括在检测数据M中的)局部放电事件的一个或多个测得的放电值特征，并且t(i)是对应的检测到的观察时刻。
因此，本发明的方法的步骤12针对建立观察到的局部放电事件(随机过程的点)与特征过程(由特征参数θ描述，在装备件的电气绝缘材料中发生并作为所述局部放电事件的基础)之间的相关性。
描述上面提到的特征过程的可选择的特征参数θ可以包括放电起始电压、放电残余电压、描述由所述局部放电事件引起的缺陷中的电压降与观察到的局部放电事件的测得的放电值之间的关系的参数、描述高于放电起始电压的过电压与所述局部放电事件的发生之间的关系的参数、描述放电之间缺陷的内部动力学的时间常数等。
如容易理解的，大多数特征参数θ(例如，上面提到的放电起始电压)直接与施加到装备件的操作电压的电压值U(t)或相位φ(t)相关联。因此，需要知道这些特征量中的一些特征量以执行本发明的上面提到的步骤。
优选地，本发明的方法的步骤12包括：对于各自具有第一测得的放电值q(i-1)和第二测得的放电值q(i)并在连续的第一观察时刻t(i-1)和第二观察时刻t(i)观察到的一个或多个局部放电事件对，计算建立这样的局部放电事件对之间的相关性的条件概率值p(i)。
在给出在所述局部放电事件对的第一观察时刻t(i-1)(先前时刻)处已经发生具有第一测得的放电值q(i-1)的局部放电事件的事实的情况下，条件概率值p(i)指示在所述局部放电对的第二观察时刻t(i)(后续时刻)具有带有第二测得的放电值q(i)的局部放电事件的概率。
根据被选择为描述作为局部放电事件的基础的特征过程的一个或多个特征参数θ来计算条件概率值p(i)。在实践中，对于每个局部放电事件对，条件概率值p(i)可以由以下关系表达：
p(i)＝p(t(i),q(i)|t(i-1),q(i-1),θ)
其中t(i-1)、t(i)是上面提到的连续的第一观察时刻和第二观察时刻，q(i-1)、q(i)是在所述第一观察时刻和所述第二观察时刻测得的第一放电值和第二放电值，并且θ是上面提到的一个或多个特征参数。
可以通过采用各种数学模型(其可以是已知类型的)来计算每个局部放电事件对的条件概率值p(i)。
对于本发明的方法的大多数应用，可以方便地采用所谓的半马尔可夫数学模型。
优选地，条件概率值p(i)的计算包括计算第一概率值p1(i)，该第一概率值p1(i)指示在每个局部放电事件对的第二观察时刻t(i)具有局部放电事件的概率，而与所述局部放电事件的测得的放电值无关。
第一概率值p1(i)可以方便地计算为：
其中c(t)＝c(t,t(i-1),q(i-1),U(t),θ)是事件速率函数，其取决于检测数据M中所包括的一个或多个测得的量，包括在第一观察时刻t(i-1)的局部放电事件的测得的放电值q(i-1)、施加到装备件的操作电压的值U(t)以及一个或多个特征参数θ。
第一概率值p1(i)如何描述上面提到的半马尔可夫数学模型的等待时间分布是清楚的。
优选地，条件概率值p(i)的计算还包括计算第二概率值p2(i)，该第二概率值p2(i)指示有具有第二放电值q(i)的局部放电事件的概率，该第二放电值q(i)已在每个局部放电事件对的第二观察值处测得。
方便地，第二概率值p2(i)可以计算为：
p2(i)＝p(q(i)|t(i),t(i-1),q(i-1),U(t)，θ)
其中q(i)、q(i-1)是与局部放电事件相关的测得的放电值，U(t)是施加到装备件的操作电压的幅度，并且θ是一个或多个特征参数。
可以通过将计算出的第一概率值p1(i)和第二概率值p2(i)进行组合来计算上面提到的条件概率值p(i)。具体而言，由于所分析的局部放电过程的半马尔可夫性质，条件概率值p(i)可以方便地计算为：
p(i)＝p1(i)*p2(i)
优选地，本发明的方法的步骤12包括：对于一个或多个各自在连续的第一观察时刻t(i-1)和第二观察时刻t(i)观察到的局部放电事件对，计算建立所述局部放电事件对之间的相关性的组合条件概率值pT。
基于针对每个局部放电事件对计算出的条件概率值p(i)来计算组合条件概率值pT。
根据所述一个或多个特征参数计算组合条件概率值pT。在实践中，对于每个局部放电事件对，组合条件概率值pT可以由以下关系表达：
其中p(i)是针对所考虑的每个局部放电事件对计算的条件概率值。
优选地，针对多个事件对计算组合条件概率值pT。但是，清楚的是，如果考虑单个局部放电事件对，那么组合条件概率值pT等于条件概率值p(i)。
根据本发明，监视方法1包括基于随机数据P计算估计数据E的步骤13，该估计数据E指示在所述后续观察时刻之间的时间间隔中的上面提到的一个或多个特征参数。
方便地，本发明的方法的步骤13提供计算与观察到的局部放电事件相关的特征参数θ。因此，它允许获得在装备件的电气绝缘材料中发生并且作为观察到的局部放电事件的基础的特征过程的定量描述。
优选地，估计数据E的计算包括：对于各自在连续的第一观察时刻t(i-1)和第二观察时刻t(i)观察到的一个或多个局部放电事件对，基于针对所述一个或多个局部放电事件对计算出的组合条件概率值pT来计算一个或多个特征参数θ的一个或多个估计值
优选地，针对多个局部放电事件对来计算一个或多个估计值
但是，可以针对单个局部放电事件对来计算它们。
与特征参数θ相关的估计值
的计算可以通过已知类型的合适参数估计技术来执行。
作为示例，可以根据需要使用MLE(最大似然估计器)方法或类似的估计方法。
在这种情况下，所述估计数据E的计算包括：对于每个局部放电事件对，基于上面提到的条件概率值p(i)计算对数函数l(Θ)。这样的对数函数l(θ)可以被计算为：
其中pT是针对所述一个或多个局部放电事件对计算的组合条件概率值。
一个或多个估计值
可以通过适当地处理上面提到的对数函数l(Θ)(例如通过优化过程)来计算。
因此，一个或多个估计值
可以被计算为：
根据本发明的优选实施例，监视方法1包括处理估计数据E的步骤14，以提供指示所监视的装备件的电气绝缘状况的监视数据O。
由于它们提供了作为局部放电事件的基础的特征原因的定量描述，因此，特征参数θ的计算出的估计值
实际上可以被用于获得与装备件的电气绝缘情况相关的信息O。
方便地，本发明的方法的这个步骤可以根据多种解决方案(不一定是彼此的替代解决方案)来执行，下面将对其进行更详细的描述。
根据本发明的实施例，处理估计数据E的步骤14包括处理与特征参数θ相关的计算出的估计值
以检查所述特征参数在时间上的演化。
优选地，通过预报或预测模型(其可以是已知类型的)来处理估计值
以这种方式，有可能通过分析所述特征参数的趋势来获得与所监视的装备件的电气绝缘情况以及可能发展的故障(绝缘材料的击穿)相关的信息。
作为示例，可以对估计值
进行处理以预测它们达到基于可用实验数据计算出的预定义临界值的时间点。
作为另一个示例，可以对估计值
进行处理以检测可能变化，该可能变化指示作为观察到的局部放电事件的基础的类型和类别的物理过程的对应改变。可以基于在电气绝缘材料中发生的识别出的类型和类别的物理过程来获得与该装备件的剩余寿命相关的预测信息。
作为另一个示例，可以使用机器学习技术将估计值
的时间演变与特征参数θ的直到发生故障为止的时间上的预定义趋势的集合进行比较。以这种方式，可以识别出用以预测直到装备件的故障为止的时间的最佳预定义趋势。
类似地，机器学习技术可以被用于将估计值
的时间上的演变和与类似于在监视下的装备件的多个装备件相关的历史检测数据进行比较。以这种方式，可以通过适当的异常值(outlier)检测技术来预测装备件的剩余寿命。
根据本发明的另一个实施例，处理估计数据E的步骤14包括处理与根据预定义的分类规则对特征参数θ进行分类相关的计算出的估计值
方便地，以基于由所述特征参数采取的值确定装备件的电气绝缘状况的方式来设置所述分类规则。
一般而言，可以根据已知类型的分类技术在实践中实现这种解决方案。例如，可以使用为特征参数θ指定合适范围的查找表。作为替代方案，可以通过经适当训练的AI(人工智能)或ML(机器学习)引擎或神经网络来执行特征参数θ的分类。
根据本发明的另一个实施例，处理估计数据E的步骤14包括处理计算出的估计值
以(通过可以是已知类型的合适的模拟模型)在装备件在不同条件下经受局部放电事件时模拟装备件的行为。
作为示例，可以模拟对局部放电事件的影响，这些影响是由与装备件的操作寿命相关的一些外部条件的改变(例如，施加到装备件的电压的幅度的改变、施加到装备件的电压的频率的改变等)造成的。
指示经受局部放电事件的装备件的行为的模拟数据集(类似于上面提到的检测数据M)可以被获得并用于生成局部放电事件的序列的模拟PRDP或PSA表示。
在适当的情况下，可以将局部放电事件的序列的这些模拟PRPD或PSA表示与通过经由传统局部放电分析处理检测数据M直接获得的PRPD或PSA表示进行比较。
根据本发明，监视方法特别适用于AC中压或高压电气***，并且将特别参考这种应用进行描述。但是，与基于局部放电分析(例如，基于PRPD分析)的其它监视方法不同，它也可以被用于不同类型的电气***中，例如，在DC中压电气***或低压电气***中。
在某些电气***中(例如，在MV可变频电机中或在一些MV变换器中)，所监视的装备件的操作电压不具有恒定的频率或幅度。但是，实验测试已表明，作为观察到的局部放电事件的基础的计算出的一个或多个特征参数θ有多不强烈依赖于频率。此外，为了补偿所监视的装备件的操作电压的幅度的可能改变，可以根据合适的补偿技术(其可以是已知类型的)来处理与特征参数θ相关的计算出的估计值
方便地，如果不在现场(例如，在测试实验室中)执行装备件的监视活动，那么可以针对施加到装备件的操作电压的频率和幅度的不同水平来循环执行根据本发明的方法。此外，可以对计算出的估计值
进行处理，以探索更大范围的特征参数θ。
这样获得的监视数据O可以被组合以获得关于装备件的电气绝缘状况的更可靠的信息。
根据本发明，监视方法1特别适合于由计算机化的设备或平台来实现。
因此，在另一方面，本发明涉及一种计算机程序，该计算机程序包括用于执行根据本发明的方法1的软件指令。这样的计算机程序存储在或可存储在存储介质中，例如计算机化设备的存储器中。
在另一方面，本发明还涉及一种计算机化的设备或平台，该计算机化的设备或平台包括被配置为执行软件指令以执行根据本发明的方法的计算机化的资源(例如，一个或多个微处理器)。这样的计算机化的设备可以是独立设备，或者是用于监视中压或高压电气***的监视设备的一部分，和/或可以是在远程级别(例如，在云级别)操作并与这样的监视装置进行通信的计算体系架构的一部分。
根据本发明的监视方法相对于基于局部放电分析的传统监视方法提供了若干优点。
根据本发明的监视方法允许获得关于装备件的电气绝缘状况的可靠信息，特别是与电气绝缘材料的可能发展故障相关的信息。
根据本发明的监视方法可以以完全自动化的方式执行，而无需采用耗时并且劳动力密集的数据处理技术。
根据本发明的监视方法允许收集关于装备件的电气绝缘状况的信息，而无需高度专业化的人员的干预。这允许显著降低用于监视电气***的操作情况的成本。
根据本发明的监视方法不要求大量计算资源以在实践中实现。因此，可以以具有竞争力的成本在工业级别利用当前可用的现有技术解决方案来容易地实现它。
Claims (14)
1.一种用于监视用于中压或高压电气***的装备件的电气绝缘状况的方法(1)，其特征在于所述方法包括以下步骤：
-获取(11)指示所述装备件的行为的检测数据(M)，所述检测数据包括与时间上在后续观察时刻(t(i-1)，t(i))观察到的局部放电事件相关的测得的放电值(q(i-1)，q(i))的时间序列；
-基于所述检测数据(M)，计算(12)指示所述装备件的电气绝缘状况的随机数据(P)，所述随机数据包括与观察到的局部放电事件相关并根据与所述局部放电事件相关的一个或多个特征参数(θ)计算的概率值；
-基于所述随机数据(P)，计算(13)指示与所述后续观察时刻相关的所述一个或多个特征参数(θ)的估计数据(E)。
2.根据权利要求1所述的方法，其特征在于所述方法包括处理(14)所述估计数据(E)以提供指示所述装备件的电气绝缘状况的监视数据(O)的步骤。
3.根据前述权利要求中的一项或多项所述的方法，其特征在于所述检测数据(M)包括与施加到所述装备件的操作电压的幅度(U0)、相位(φ(t))或时间相关值(U(t))相关的电压检测值。
4.根据前述权利要求中的一项或多项所述的方法，其特征在于计算所述随机数据(P)的步骤(12)包括：对于各自具有第一测得的放电值和第二测得的放电值(q(i-1)，q(i))并且在连续的第一观察时刻和第二观察时刻(t(i-1)，t(i))观察到的一个或多个局部放电事件对，在给出在所述第一观察时刻(t(i-1))已经发生具有所述第一测得的放电值(q(i-1))的局部放电事件的事实的情况下，计算指示在所述第二观察时刻(t(i))有具有所述第二测得的放电值(q(i))的局部放电事件的概率的条件概率值(p(i))，所述条件概率值是根据所述一个或多个特征参数(θ)计算的。
5.根据权利要求4所述的方法，其特征在于计算所述条件概率值(p(i))包括计算指示在所述第二观察时刻(t(i))具有局部放电事件的概率的第一概率值(p1(i))，而与所述局部放电事件的放电值无关。
6.根据权利要求4至5中的一项所述的方法，其特征在于计算所述条件概率值(p(i))包括计算指示有具有在第二观察时刻(t(i))测得的第二放电值(q(i))的局部放电事件的概率的第二概率值(p2(i))。
7.根据权利要求4至6中的一项所述的方法，其特征在于计算所述随机数据(P)的步骤(12)包括：对于各自在连续的第一观察时刻和第二观察时刻(t(i-1)，t(i))观察到的一个或多个局部放电事件对，基于针对每个局部放电事件对计算出的条件概率值(p(i))来计算组合条件概率值(pT)，所述组合条件概率值是根据所述一个或多个特征参数(θ)计算的。
8.根据权利要求7所述的方法，其特征在于计算所述估计数据(E)的步骤(13)包括：对于各自在连续的第一观察时刻和第二观察时刻(t(i-1)，t(i))观察到的一个或多个局部放电事件对，基于针对所述一个或多个局部放电事件对计算出的所述组合条件概率值(pT)计算所述一个或多个特征参数(θ)的一个或多个估计值
9.根据权利要求2至8中的一项所述的方法，其特征在于计算所述监视数据(O)的步骤(14)包括处理包括在所述估计数据(E)中并与所述一个或多个特征参数(θ)相关的一个或多个估计值
以检查所述特征参数在时间上的演化。
10.根据权利要求2至9中的一项所述的方法，其特征在于计算所述监视数据(O)的步骤(14)包括处理包括在所述估计数据(E)中并与所述一个或多个特征参数(θ)相关的一个或多个估计值
以执行所述特征参数的分类。
11.根据权利要求2至10中的一项所述的方法，其特征在于计算所述监视数据(O)的步骤(14)包括处理包括在所述估计数据(E)中并与所述一个或多个特征参数(θ)相关的一个或多个估计值
以模拟所述装备件当在不同条件下经受局部放电事件时的行为。
12.一种存储在存储介质中的计算机程序，其特征在于所述计算机程序包括实现根据前述权利要求中的一项或多项所述的方法(1)的软件指令。
13.一种计算机化的设备或平台，其特征在于所述计算机化的设备或平台包括数据处理资源，所述数据处理资源被配置为执行软件指令以实现根据权利要求1至11中的一项或多项所述的方法(1)。
14.一种用于监视中压或高压电气***的监视装置，其特征在于所述监视装置包括根据权利要求13所述的计算机化的设备或平台。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP20176260.6 | 2020-05-25 | ||
| EP20176260.6A EP3916402B1 (en) | 2020-05-25 | 2020-05-25 | A method for monitoring the electric insulation status of a piece of equipment for mv or hv electric systems |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113721086A true CN113721086A (zh) | 2021-11-30 |
| CN113721086B CN113721086B (zh) | 2024-07-30 |
Family
ID=
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1094323A2 (en) * | 1999-10-19 | 2001-04-25 | ABB Substation Automation Oy | Method and system for identifying cause of partial discharge |
| JP2005331415A (ja) * | 2004-05-20 | 2005-12-02 | Toenec Corp | 絶縁診断システム |
| US20130191049A1 (en) * | 2010-07-26 | 2013-07-25 | Lluis-Ramon Sales Casals | Apparatus and method for monitoring an electric power transmission system through partial discharges analysis |
| US20140340096A1 (en) * | 2011-09-16 | 2014-11-20 | Olaf Rudolph | Method for Identifying One or More Simultaneously Occurring Partial Discharge Sources |
| CN104535905A (zh) * | 2014-12-11 | 2015-04-22 | 国家电网公司 | 基于朴素贝叶斯分类的局部放电诊断方法 |
| US20150160284A1 (en) * | 2013-12-11 | 2015-06-11 | Telefonaktiebolaget L M Ericsson (Publ) | Analyzing partial discharge in an electric power distribution system |
| CN108375718A (zh) * | 2017-01-30 | 2018-08-07 | 通用电气公司 | 对相位分辨局部放电的评估 |
| CN109283443A (zh) * | 2018-11-15 | 2019-01-29 | 湖北工业大学 | 一种基于紫外光的电气设备局部放电定位***及方法 |
| CN109596955A (zh) * | 2018-12-30 | 2019-04-09 | 国网北京市电力公司 | 局部放电状态确定方法及装置 |
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1094323A2 (en) * | 1999-10-19 | 2001-04-25 | ABB Substation Automation Oy | Method and system for identifying cause of partial discharge |
| JP2005331415A (ja) * | 2004-05-20 | 2005-12-02 | Toenec Corp | 絶縁診断システム |
| US20130191049A1 (en) * | 2010-07-26 | 2013-07-25 | Lluis-Ramon Sales Casals | Apparatus and method for monitoring an electric power transmission system through partial discharges analysis |
| US20140340096A1 (en) * | 2011-09-16 | 2014-11-20 | Olaf Rudolph | Method for Identifying One or More Simultaneously Occurring Partial Discharge Sources |
| US20150160284A1 (en) * | 2013-12-11 | 2015-06-11 | Telefonaktiebolaget L M Ericsson (Publ) | Analyzing partial discharge in an electric power distribution system |
| CN104535905A (zh) * | 2014-12-11 | 2015-04-22 | 国家电网公司 | 基于朴素贝叶斯分类的局部放电诊断方法 |
| CN108375718A (zh) * | 2017-01-30 | 2018-08-07 | 通用电气公司 | 对相位分辨局部放电的评估 |
| CN109283443A (zh) * | 2018-11-15 | 2019-01-29 | 湖北工业大学 | 一种基于紫外光的电气设备局部放电定位***及方法 |
| CN109596955A (zh) * | 2018-12-30 | 2019-04-09 | 国网北京市电力公司 | 局部放电状态确定方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| ZEESHAN AHMED等: "Multivariate Time Series Modeling for Long Term Partial Discharge Measurements in Medium Voltage XLPE Cables", 2019 IEEE ELECTRICAL INSULATION CONFERENCE (EIC), 19 June 2019 (2019-06-19) * |
| 符方达等: "抑制局部放电老化影响的XLPE电缆绝缘缺陷识别", 电工电气, no. 04, 15 April 2020 (2020-04-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3916402C0 (en) | 2024-03-20 |
| US11693041B2 (en) | 2023-07-04 |
| EP3916402B1 (en) | 2024-03-20 |
| EP3916402A1 (en) | 2021-12-01 |
| US20210364566A1 (en) | 2021-11-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109186813B (zh) | 一种温度传感器自检装置及方法 | |
| Soualhi et al. | Hidden Markov models for the prediction of impending faults | |
| Soualhi et al. | Bearing health monitoring based on Hilbert–Huang transform, support vector machine, and regression | |
| Li et al. | Particle filtering based likelihood ratio approach to fault diagnosis in nonlinear stochastic systems | |
| CN109143094B (zh) | 一种动力电池的异常数据检测方法和装置 | |
| JP2000512766A (ja) | 高電圧絶縁における部分放電測定の統計的パターン分析方法 | |
| JP2015529813A (ja) | 遺伝的プログラミングを用いて発見された前兆的特徴からの、残存耐用寿命の推定 | |
| US11693041B2 (en) | Method for monitoring the electric insulation status of a piece of equipment for MV or HV electric systems | |
| CN117407679B (zh) | 智能末屏传感器的数据采集方法及*** | |
| JP2020003277A (ja) | 受配電機器の短絡余寿命診断方法および短絡余寿命診断システム | |
| CN110703743A (zh) | 设备故障预测与检测***和方法 | |
| CN113379252A (zh) | 基于多尺度排列熵值的贝叶斯网络高压开关柜健康***评估方法 | |
| Ferreira et al. | An application of machine learning approach to fault detection of a synchronous machine | |
| CN112486970A (zh) | 一种用于电力设备的运行状态评估方法及装置 | |
| Wegerich et al. | Nonparametric modeling of vibration signal features for equipment health monitoring | |
| Bejaoui et al. | A data-driven prognostics technique and rul prediction of rotating machines using an exponential degradation model | |
| CN106680574B (zh) | 一种变电站设备过电压感知和数据处理方法 | |
| Butdee et al. | Pattern recognition of partial discharge faults using convolutional neural network (CNN) | |
| Carratù et al. | A novel methodology for unsupervised anomaly detection in industrial electrical systems | |
| CN118015812A (zh) | 一种设备异常报警方法 | |
| Gandur et al. | Uncertainty Quantification in the Prediction of Remaining Useful Life Considering Multiple Failure Modes | |
| CN113721086B (zh) | 用于监视mv或hv电气***的装备件的电气绝缘状况的方法 | |
| CN113204919A (zh) | 基于数字孪生的主变油枕状态预测方法、装置及电子设备 | |
| CN108761250B (zh) | 一种基于工控设备电压电流的入侵检测方法 | |
| CN117370879A (zh) | 一种风力机齿轮箱的实时在线故障诊断方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |